Question

我正在尝试使用MATCONVNET构建自己的CNN（Alexnet模型）进行交通标志识别。我使用德国交通标志识别基准（GTSRB）网站（http://benchmark.ini.rub.de/?section=gtsrb&subsection=datase）的图像数据集来创建我自己的IMDB，其中包括43种道路交通标志的标记良好的训练，验证和测试数据。

现在我遇到了两个挑战。

我的网络没有收敛。我的稳定误差为0.977
我正在尝试评估我训练有素的网络，即使有这个错误率，但那是我最大的挑战。我还没有弄清楚如何在MATCONVNET中评估自我训练的网络，而且很少有帮助的材料可以提供帮助。

如果您对我需要改变或做得更好有所了解，请有人帮忙吗？

Answer 1

我对MATCONVNET并不太熟悉，所以我可能会误解你的问题，但评估分类器的一般规则是交叉验证（即对不同子集进行训练和测试，并在多个子集配置中重复）。

对于一种配置

要生成一种数据配置，您可以使用

nObservations = size(data,1);
y_act = ... ; % class labels for each observation
ratio = .5; 
net = ... %your net definition

[Train,Test] = crossvalind('HoldOut',nObservations,ratio);
[net,...] = train(net,data(Train,:))
y_exp = predict(net,data(Test,:))
rate = length(find(y_exp == y_act(Test)))/...
       numel(y_act(Test));

费率是比原始指标更好的指标。根据您的模型，您可能希望确保这些类以均匀的比例分布（或者甚至是相等的数量，这将需要您抛出一些观察值，因此您具有相同的类总数）。为确保这一点，您可以使用crossvalind独立划分每个班级，然后合并以形成您的培训/考试集。

你也可以玩你的火车：测试比率。 .5是一个很好的起点。如果您在分类测试集时遇到问题，则会逐渐增加。

置换配置

此分析的一个问题是仅评估一个配置。对于大规模数据集或集合，其中泛化不重要可能没问题。但你可以通过在

上排列上述分析来解决这个问题

设置配置中的所有组合

假设您将数据集划分为A，B，C和D.您可以训练（[A，B，C]） - 测试（D），训练（A，B，D） - 测试（C）， ...训练（B，C，D） - 测试（A）并平均预测率

这通常“足够好”，但您必须承认，在小型数据集中，您可能会在其中一个集合中出现偏斜的表示
集合中的所有可能配置

使用nchoosek(...)，您可以代表所有可能的配置，并测试每个配置以进行列车测试。很快变得不可思议。选择任意的，大量的这些配置也是有效的。如果您的观察数字非常低，则可以低成本使用，尤其是在使用bootstrapping进行验证时。可能与您的分析无关。

如何评估我的自学MATCONNET CNN网络

1 个答案:

对于一种配置

置换配置